[发明专利]基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置

说明书

本发明公开一种基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置。脑龄估计和和异常检测方法中，首先，利用临床常规采集的孕妇子宫内T2加权像建立正常胎儿大脑T2加权磁共振图像的数据集。其次，利用U型网络将胎儿大脑从子宫中分割出，再利用基于注意力机制的深度残差网络预测胎儿脑龄，并生成脑龄的不确定度和胎儿脑龄估计的可信度。最后，根据实际胎龄和预测脑龄的差异、不确定度、可信度等指标构建分类器，判断胎儿大脑发育是否异常。本发明可以同时对胎儿大脑年龄进行估计，并生成不确定性、估计可信度等指标用于检测大脑发育异常的胎儿，具有较高的准确度和精确性以及较高的临床应用前景和价值。

技术领域

本申请涉及脑磁共振图像处理领域，尤其涉及深度学习的应用与大脑分割和脑龄估计。

背景技术

基于磁共振神经影像的大脑年龄被广泛应用于刻画正常大脑的发展过程，偏离正常大脑发展轨迹的程度可以作为衡量大脑异常的征兆和指标。近十年来的研究表明，预测脑龄和实际生理年龄的差值(predicted age difference,PAD)可以衡量早产儿童大脑的异常发育、阿兹海默症患者和脑外伤患者大脑萎缩程度和精神分裂症患者的加速老化的程度。胎儿脑成像已经逐步成为评估早期大脑正常发育的重要工具，然而，脑龄预测方法尚未应用于胎儿的神经影像中。作为一种稳定的新型指标，脑龄预测可以潜在地评估胎儿大脑的发育程度并检测发育异常，对产前诊断有非常重要的意义和价值。

常规的脑龄估计方法包括支持向量回归、相关向量回归和高斯过程回归等机器学习算法，详见文献1：Franke et al.,2010，Cole et al.,2015，Liem et al.,2017。近些年来，深度学习的技术被广泛应用于医学图像处理领域，其相较于传统方法具有更多的优势和更好的准确性，详见文献2：Litjens et al.,2017；Shen et al., 2017。最近，脑龄的估计也逐渐开始采用深度学习的方法，并取得了很好的预测结果，详见文献3：Cole et al.,2017；Jonsson et al.,2019；Wang et al.,2019。但脑龄模型中用PAD单个指标用做大脑异常的检测具有明显的不足，一方面，PAD 属于回归残差，模型的变化会直接影响PAD大小，导致不同模型计算结果不能统一；另一方面，脑龄预测模型基本建立在正常群体的数据上，而异常发育的大脑含有非大脑正常发育过程中的特征，导致利用PAD单个指标难以检出以及PAD机制可解释性的降低。

此外，精确分割出胎儿大脑也有利于准确衡量胎儿脑龄，因此，开发有效精确的胎儿大脑分割和大脑年龄回归模型，不仅能为临床和科研提供一种有效的参考指标，也可以进一步提高产前诊断的准确性。

发明内容

为了提供更加有效的方法并克服现有技术的不足，本发明提出利用深度学习分割胎儿大脑，并建立一种基于注意力机制的深度集成学习的模型预测胎儿大脑年龄且进行异常检测。该方法基于在当地医院采集的不同妊娠期子宫内T2加权像的大数据样本，构建改进版U型网络分割胎儿大脑；同时结合注意力机制，建立了深度残差概率型网络，对胎儿的大脑年龄进行准确的估计；在网络训练的同时对于脑龄预测的不确定性进行估计，得到预测脑龄的可信度，并通过这些指标来检测胎儿大脑异常。

为了达到上述目的，本发明采用以下技术方案予以实现：

第一方面，本发明提供了一种基于深度集成学习的胎儿脑龄估计方法，其包括以下步骤：

S1：获取正常胎儿大脑T2加权磁共振图像数据集，所述图像数据集中包含不同胎龄正常胎儿的大脑多层T2加权磁共振图像，且每张图像均标记有对应胎儿临床的胎龄估计值；

S2：建立基于注意力机制的深度残差网络，并利用S1中的图像数据集对其进行训练；

所述基于注意力机制的深度残差网络由若干注意力网络模块连接而成，所述注意力模块包含一个主干分支和一个掩膜分支，主干分支的输出与掩膜分支的输出经过以下计算后得到注意力网络模块的输出图像：